Makine Öğrenmesi Yöntemleri Kullanılarak Melanom Cilt Kanserinin Tahmin Edilmesi

Yıl 2024, Cilt: 10 Sayı: 1, 141 - 154, 30.04.2024

Resul Bütüner Muhammed Hanefi Calp

Öz

Kanser hastalığı, dünyadaki en yüksek ikinci ölüm nedeni olarak bilinmektedir. Bu hastalığın en yaygın türlerinden biri de cilt kanseridir. Hemen hemen tüm kanser hastalıklarında olduğu gibi cilt kanserinde de erken teşhis, tedavi sürecinde oldukça büyük bir öneme sahiptir. Kanser hastalığının teşhisi sürecinde, geleneksel yöntemlerin yanı sıra Makine Öğrenmesi tabanlı yöntemler de yaygın olarak kullanılmaktadır. Sözkonusu yöntemlerin en önemli avantajı, kanser teşhisi sürecinde insan kaynaklı doğabilecek hataları ortadan kaldırması veya minimize etmesidir. Bu çalışmada, hastalardan alınan görüntüler kullanılarak K-En Yakın Komşu (KNN), Naive Bayes (NB), Rastgele Orman (RO), Lojistik Regresyon (LR) ve Yapay Sinir Ağları (YSA) yöntemleri ile cilt kanseri hastalığı teşhis edilmiştir. Bu algoritmalarda eğitim ve test süreci işletilerek sonuçlar analiz edilmiş ve modeller oluşturulmuştur. Bu modeller ile iyi ve kötü huylu lezyonlar karşılaştırılmış ve cilt kanseri olan lezyonlar tespit edilerek başarı yüzdeleri ortaya konulmuştur. Sonuç olarak, en iyi sonuçlar eğitim yüzdesi %99.1, test yüzdesi ise %98.6’lık bir oran ile Yapay Sinir Ağları yöntemi kullanılarak elde edilmiştir. Oluşturulan ve önerilen yapay sinir ağı modeline farklı girdiler verildiğinde, modelin cilt kanseri hastalığını yüksek bir doğruluk oranıyla tahmin ettiği görülmüştür. Elde edilen sonuçlar, yapılan çalışmanın başarısını ve makine öğrenmesi yöntemlerinin kanser teşhisi sürecinde kullanılabilir bir yöntem olduğunu ortaya koymuştur.

Anahtar Kelimeler

Makine Öğrenmesi, Cilt Kanseri, Tahmin, Teşhis

Kaynakça

• [1] O. Baykara, “Kanser Tedavisinde Güncel Yaklaşımlar,” Balıkesir Sağlık Bilimleri Dergisi, vol.5, no. 3, pp. 154-165, 2016.
• [2] WHO, “Cancer,” WHO-Home/Newsroom/Fact sheets/Detail/Cancer, [Online]. Available: https://www.who.int/news-room/fact-sheets/detail/cancer. [Accessed: 3.02. 2023].
• [3] Z. Faisal and N. Abbadi, “New Segmentation Method for Skin Cancer Lesions,” Journal of Engineering and Applied Sciences, vol. 12, no. 21, pp. 5598-5602, 2017.
• [4] K. H. Güngör, “Metastaz Yapmamış Melanoma ve Melanoma Dışı Deri Kanserleri için Geliştirilmiş Olan Deri Kanseri İlişkili Yaşam Kalitesi Ölçeğinin (Dkykö) Türkçe Geçerlilik ve Güvenilirliğinin Araştırılması,” Tıpta Uzmanlık Tezi, Ankara Üniversitesi Tıp Fakültesi, Ankara, 2016.
• [5] E. Acer ve H. K. Erdoğan, “Sık Görülen Deri Kanserlerinin Epidemiyolojisi,” Dermatoloji ve Halk Sağlığı Özel Sayısı, vol.4, no. 1, ss. 52-60, 2019. doi:10.35232/estudamhsd.499257
• [6] A. Staff, “Cancer Facts and Figures Atlanta: American Cancer Society,” Cancer, vol. 9, pp. 19-20, 2018.
• [7] A. Sümen ve S. Öncel, “Türkiye'de cilt kanseri ve güneşten korunmaya yönelik yapılan araştırmaların incelenmesi,” Türkiye Klinikleri Hemşirelik Bilimleri Dergisi, vol. 10, no. 1, ss. 59-69, 2018. doi:10.5336/nurses.2017-56858
• [8] A. M. Glazer, D. S. Rigel, R. R. Winkelmann and A. S. Farberg “Clinical diagnosis of skin cancer: enhancing inspection and early recognition,” Dermatologic Clinics, vol. 35, no. 4, pp. 409-416, 2017. doi:10.1016/j.det.2017.06.001
• [9] C. P Akyel, ve N. Arıcı, “Cilt kanserinde kıl temizliği ve lezyon bölütlemesinde yeni bir yaklaşım,” Politeknik Dergisi, vol. 23, no. 3, ss. 821-828, 2020.
• [10] Ü. Yılmaz, Yapay Sinir Ağları ile Melanom Cilt Kanseri Tespiti, Geleceğin Dünyasında Bilimsel ve Mesleki Çalışmalar, Ekin Basım Yayın Dağıtım, 2019, pp.104-114.
• [11] K. Lacy and W. Alwan, “Skin cancer,” Medicine, vol. 41, no. 7, pp. 402-405, 2013. doi:10.1016/j.mpmed.2013.04.008
• [12] E. Craythorne and F. Al-Niami, “Skin cancer,” Medicine, vol. 45, no. 7, pp. 431-434, 2017. doi:10.1016/j.mpmed.2017.04.003
• [13] A. H. Alasadi and B. M. ALsafy, “Early detection and classification of melanoma skin cancer,” Int. Journal of Information Technology and Computer Science, vol. 7, no.12, pp. 67-74, 2017.
• [14] P. Das, N., Deshmukh, N., Badore, C., Ghulaxe, and P., Patel, “A review article on melanoma,” Journal of Pharmaceutical Sciences and Research, vol. 8, no. 2, pp. 112-117, 2016.
• [15] F. Alendar, I., Drljević, K., Drljević, and T., Alendar, “Early detection of melanoma skin cancer,” Bosnian Journal of Basic Medical Sciences, vol. 9, no. 1, pp. 77-80, 2009. doi:10.17305/bjbms.2009.2861
• [16] M. Demirci ve İ. Yabanova, “Model Tabanlı Tasarım Metotları Kullanılarak Gerçek Zamanlı Bir Görüntü İşleme Sisteminin Tasarımı ve Gerçeklemesi,” Politeknik Dergisi, vol. 22, no. 4, pp. 827-838, 2019. doi:10.2339/politeknik.423603
• [17] Ş. Sağıroğlu ve E. Beşdok, “A Novel Approach for Image Denoising Based on Artificial Neural Networks,” Politeknik Dergisi, vol. 15, no. 2, pp. 71-86, 2012. doi:10.2339/2012.15.2, 71-86
• [18] A. Kassam, “Segmentation of Skin Cancer by Using Image Processing Techniques,” Master Thesis, Yıldız Technical University Department Of Computer Engineering, İstanbul, 2016.
• [19] T. Lee, V., Ng, R., Gallagher, A., Coldman, and D., McLean, "Dullrazor: A Software Approach to Hair Removal from Images," Computers in biology and medicine, vol. 27, no. 6, pp. 533-543, 1997. doi:10.1016/S0010-4825(97)00020-6
• [20] E.C. Celebi, Y., Alp Aslandogan, W. V., Stoecker, H., Iyatomi, H., Oka, and X. Chen,, "Unsupervised Border Detection in Dermoscopy Images," Skin Researchand Technology, vol. 13, no. 4, pp. 454- 462, 2007. doi:10.1111/j.1600-0846.2007.00251.x
• [21] M.Z. Alom, T. Aspiras, T.M. Taha and V. K. Asari, “Skin Cancer Segmentation and Classification with NABLA-N and Inception Recurrent Residual Convolutional Networks,” 2019. doi:10.48550/arXiv.1904.11126
• [22] M. Toğaçar, Z. Cömert, and B. Ergen, “Intelligent skin cancer detection applying autoencoder, MobileNetV2 and spiking neural networks,” Chaos, Solitons and Fractals, vol. 144, no. 1, pp.110714, 2021. doi:10.1016/J.CHAOS.2021.110714
• [23] P. P. Tumpa and M. A. Kabir, “An artificial neural network based detection and classification of melanoma skin cancer using hybrid texture features,” Sensors International, vol. 2, no. 1, pp.100128, 2021. doi:10.1016/J.SINTL.2021.100128
• [24] A.M. Alqudah, H. Alquraan and I.A. Qasmieh, “Segmented and non-segmented skin lesions classification using transfer learning and adaptive moment learning rate technique using pretrained convolutional neural network,” Journal of Biomimetics, Biomaterials and Biomedical Engineering, vol. 42, pp. 67–78, 2019. doi:10.4028/www.scientific.net/JBBBE.42.67
• [25] T.J. Brinker, A. Hekler, A.H. Enk, C. Berking, S. Haferkamp, A. Hauschild and J.S. Utikal, “Deep neural networks are superior to dermatologists in melanoma image classification,” European Journal of Cancer, vol. 119, pp. 11–17, 2019. doi:10.1016/j.ejca.2019.05.023
• [26] K.M. Hosny, M.A. Kassem and M.M. Foaud, “Classification of skin lesions using transfer learning and augmentation with AlexNet,” PloS one, vol. 14, no. 5, pp. 217-293, 2019. doi:10.1371/journal.pone.0217293
• [27] J. Han, J. Pei and Kamber, M. Data Mining: Concepts and Techniques, Elsevier, 2011, pp. 2-10.
• [28] D. Kilinc, E. Borandag, F. Yucalar, V. Tunali, M. Simsek, and A. Ozcift, “Classification of Scientific Articles Using Text Mining with KNN Algorithm and R Language,” Marmara Journal of Pure and Applied Sciences, vol.3, pp. 89-94, 2016. doi:10.7240/mufbed.69674
• [29] T. Savaş and S. Savaş, “Tekdüzen Kaynak Bulucu Yoluyla Kimlik Avı Tespiti için Makine Öğrenmesi Algoritmalarının Özellik Tabanlı Performans Karşılaştırması,” Politeknik Dergisi, vol. 25, no. 3, ss. 1261-1270, 2022. doi:10.2339/politeknik.1035286
• [30] L. Breiman, Random Forest. Machine Learning, Statistics Department-University of Californiavol, vol. 45, pp. 5-32, 2001. doi:10.1023/A:1010933404324
• [31] D.D. Lewis, “Naive Bayes at forty: The independence assumption in information retrieval,” Proceedings of the Tenth European Conference on Machine Learning, Part of the Lecture Notes in Computer Science book series (LNAI), vol.1398, pp. 4-15, 1998.
• [32] H.K. Yıldız, M. Gençtav, N. Usta, B. Diri and M. F. Amasyalı, “Metin Sınıflandırmada Yeni Özellik Çıkarımı,” 15. Sinyal İşleme ve İletişim Uygulamaları Kurultayı, 2007.
• [33] S. Savaş, “Naive Bayes Sınıflandırıcısı,” Teori ve Uygulamada Makine Öğrenmesi, Nobel Akademik Yayıncılık Eğitim Danışmanlık Tic. Ltd. Şti, ss. 69-92, 2022.
• [34] C. Yerdelen, “Mevsimlik Kar Erimesinin Yapay Sinir Ağları Yöntemi ile Tahmin Edilmesi,” Sakarya Üniversitesi Mühendislik ve Mimarlık Fakültesi Dergisi, vol. 21, pp. 3-4, 2006.
• [35] M.H. Calp and U. Kose, “Estimation of burned areas in forest fires using artificial neural networks,” Ingeniería Solidaria, vol. 16, no. 3, pp. 1-22, 2022.
• [36] M. H. Calp and M. A. Akcayol, “Yazılım projeleri için yapay sinir ağlarına dayalı web tabanlı risk yönetim sisteminin tasarımı ve gerçekleştirilmesi: WEBRISKIT,” Pamukkale Üniversitesi Mühendislik Bilimleri Dergisi, vol. 26, no. 5, ss. 993-1014, 2020. doi:10.5505/pajes.2019.29964
• [37] M.H. Dunham, “Data Mining introductori and advanced topics,” New Jersey: Prentige Hall, 2003.
• [38] B. Ekici and H. Takcı, “Bilgisayar Ağlarında Anomali Tespiti Yaklaşımı ile Saldırı Tespiti,” Afyon Kocatepe Üniversitesi Fen ve Mühendislik Bilimleri Dergisi, vol. 22, no. 5, ss. 1016-1027, 2022. doi:10.35414/akufemubid.1114906
• [39] M.A. Farooq, A., Khatoon, V., Varkarakis, and P. Corcoran, “Advanced Deep Learning Methodologies for Skin Cancer Classification in Prodromal Stages 2020,” arXiv preprint arXiv:2003.06356.
• [40] F. Demir, “Derin öğrenme tabanlı yaklaşımla kötü huylu deri kanserinin dermatoskopik görüntülerden saptanması,” Fırat Üniversitesi Mühendislik Bilimleri Dergisi, vol. 33, no. 2, ss. 617-624, 2021.
• [41] A. Namozov, D. Ergashev and Y.I. Cho, “Adaptive activation functions for skin lesion classification using deep neural networks,” in Proceedings- 2018 Joint 10th International Conference on Soft Computing and Intelligent Systems and 19th International Symposium on Advanced Intelligent Systems, SCIS-ISIS 2018, ss. 232– 235, 2018. doi:10.1109/SCIS-ISIS.2018.00048
• [42] B. Harangi, A. Baran and A. Hajdu, “Classification of Skin Lesions Using An Ensemble of Deep Neural Networks,” in Proceedings of the Annual International Conference of the IEEE Engineering in Medicine and Biology Society, EMBS, 2018-July, pp. 2575–2578, 2018. doi:10.1109/EMBC.2018.8512800